Scikit-learn學習

numpy 庫

import numpy as np

1、random

用法：產生偽隨機數
樣例：
np.random.seed(0) //產生以0為種子的偽隨機數生成器
order_arr = np.random.permutation(100) //返回100個偽隨機數，返回值是一個array

2、mgrid

用法：返回多維結構，常見的如2D圖形，3D圖形。對比np.meshgrid，在處理大資料時速度更快，且能處理多維（np.meshgrid只能處理2維）
ret = np.mgrid[ 第1維，第2維 ，第3維 ， …]
返回多值，以多個矩陣的形式返回，第1返回值為第1維資料在最終結構中的分佈，第2返回值為第2維資料在最終結構中的分佈，以此類推。（分佈以矩陣形式呈現）
例如np.mgrid[X , Y]
樣本（i，j）的座標為 （X[i，j] ,Y[i，j]）,X代表第1維，Y代表第2維，在此例中分別為橫縱座標。

例如1D結構（array），如下：

>>> pp = np.mgrid[-5:5:5j]
>>> pp
array([-5. , -2.5,  0. ,  2.5,  5. ])

• 1

例如2D結構 (2D矩陣)，如下：

>>> pp = np.mgrid[-1:1:2j,-2:2:3j]
>>> x , y = pp
>>> x
array([[-1., -1., -1.],
       [ 1.,  1.,  1.]])
>>> y 
array([[-2.,  0.,  2.],
       [-2.,  0.,  2.]])

• 1

例如3D結構 (3D立方體)，如下：

>>> pp = np.mgrid[-1:1:2j,-2:2:3j,-3:3:5j]
>>> print pp
[[[[-1.  -1.  -1.  -1.  -1. ]
   [-1.  -1.  -1.  -1.  -1. ]
   [-1.  -1.  -1.  -1.  -1. ]]

  [[ 1.   1.   1.   1.   1. ]
   [ 1.   1.   1.   1.   1. ]
   [ 1.   1.   1.   1.   1. ]]]


 [[[-2.  -2.  -2.  -2.  -2. ]
   [ 0.   0.   0.   0.   0. ]
   [ 2.   2.   2.   2.   2. ]]

  [[-2.  -2.  -2.  -2.  -2. ]
   [ 0.   0.   0.   0.   0. ]
   [ 2.   2.   2.   2.   2. ]]]


 [[[-3.  -1.5  0.   1.5  3. ]
   [-3.  -1.5  0.   1.5  3. ]
   [-3.  -1.5  0.   1.5  3. ]]

  [[-3.  -1.5  0.   1.5  3. ]
   [-3.  -1.5  0.   1.5  3. ]
   [-3.  -1.5  0.   1.5  3. ]]]]

• 1

3、np.r_ , np.c_

用法：concatenation function
np.r_按row來組合array，
np.c_按colunm來組合array

>>> a = np.array([1,2,3])
>>> b = np.array([5,2,5])
>>> //測試 np.r_
>>> np.r_[a,b]
array([1, 2, 3, 5, 2, 5])
>>> 
>>> //測試 np.c_
>>> np.c_[a,b]
array([[1, 5],
       [2, 2],
       [3, 5]])
>>> np.c_[a,[0,0,0],b]
array([[1, 0, 5],
       [2, 0, 2],
       [3, 0, 5]])

• 1

matplotlib.pyplot 庫

import matplotlib.pyplot as plt

1、scatter

用來畫散點圖的，對樣本點著色。如下：X為一個n*2的矩陣，代表n個2維樣本點，且每個樣本點對應一個label y，用y來對顏色變數c賦值來區分顏色，按照cmap來佈局。
plt.scatter(X[:, 0], X[:, 1], c=y, zorder=10, cmap=plt.cm.Paired)

2、axis

用法：設定佈局策略
例如： plt.axis(‘tight’) ，表明採用緊緻方案，需要將樣本的邊緣作為畫布的邊緣。

3、pcolormesh

用法：類似np.pcolor ，是對座標點著色。
np.pcolormesh(X, Y, C, **kwargs)
例如有樣本點（X[i，j] , Y[i，j]），對樣本週圍（包括樣本所在座標）的四個座標點進行著色，C代表著色方案，kwargs裡可以設定著色配置。

(X[i,   j],   Y[i,   j]),
(X[i,   j+1], Y[i,   j+1]),
(X[i+1, j],   Y[i+1, j]),
(X[i+1, j+1], Y[i+1, j+1]).

• 1

樣例：plt.pcolormesh(XX, YY, Z>0, cmap=plt.cm.Paired)

4、contour

用法：畫輪廓
樣例：plt.contour(XX, YY, Z, colors=[‘k’, ‘k’, ‘k’], linestyles=[‘–’, ‘-‘, ‘–’],levels=[-.5, 0, .5])

程式碼例子

"""
=========================================================
SVM-Kernels
=========================================================


Three different types of SVM-Kernels are displayed below.
The polynomial and RBF are especially useful when the
data-points are not linearly separable.




"""
print(__doc__)




# Code source: Gaël Varoquaux
# License: BSD 3 clause


import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm




# Our dataset and targets
X = np.c_[(.4, -.7),
          (-1.5, -1),
          (-1.4, -.9),
          (-1.3, -1.2),
          (-1.1, -.2),
          (-1.2, -.4),
          (-.5, 1.2),
          (-1.5, 2.1),
          (1, 1),
          # --
          (1.3, .8),
          (1.2, .5),
          (.2, -2),
          (.5, -2.4),
          (.2, -2.3),
          (0, -2.7),
          (1.3, 2.1)].T
Y = [0] * 8 + [1] * 8


# figure number
fignum = 1


# fit the model
for kernel in ('linear', 'poly', 'rbf'):
    clf = svm.SVC(kernel=kernel, gamma=2)
    clf.fit(X, Y)


    # plot the line, the points, and the nearest vectors to the plane
    plt.figure(fignum, figsize=(4, 3))
    plt.clf()


    plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=80,
                facecolors='none', zorder=10, edgecolors='k')
    plt.scatter(X[:, 0], X[:, 1], c=Y, zorder=10, cmap=plt.cm.Paired,
                edgecolors='k')


    plt.axis('tight')
    x_min = -3
    x_max = 3
    y_min = -3
    y_max = 3


    XX, YY = np.mgrid[x_min:x_max:200j, y_min:y_max:200j]
    Z = clf.decision_function(np.c_[XX.ravel(), YY.ravel()])


    # Put the result into a color plot
    Z = Z.reshape(XX.shape)
    plt.figure(fignum, figsize=(4, 3))
    plt.pcolormesh(XX, YY, Z > 0, cmap=plt.cm.Paired)
    plt.contour(XX, YY, Z, colors=['k', 'k', 'k'], linestyles=['--', '-', '--'],
                levels=[-.5, 0, .5])


    plt.xlim(x_min, x_max)
    plt.ylim(y_min, y_max)


    plt.xticks(())
    plt.yticks(())
    fignum = fignum + 1
plt.show()